<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_57307213的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/m0_57307213</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; m0_57307213]]></copyright><item><title><![CDATA[1.4深度学习]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168830340</link><guid>https://blog.csdn.net/m0_57307213/article/details/168830340</guid><author>m0_57307213</author><pubDate>Sat, 24 Oct 2026 06:40:33 +0800</pubDate><description><![CDATA[神经网络的核心特性：1. 非线性函数嵌套（线性嵌套无意义），eg:非线性激活函数（如ReLU）的作用；2. 连续函数构成复合结构深度学习的核心优势:1. 特征重用（底层特征被高层复用）2. 多步抽象（需逐层抽取构造）深度学习定义:表示学习（自动特征提取）+ 预测学习（分类器），端到端模型直接处理原始数据（如图像像素）贡献度分配问题:多模块决策中难以定位错误来源（如底层/高层特征或分类器问题），类比围棋决策需反推步骤影响端到端学习:输入到输出无人工干预，但现代深度学习可能包含中间步骤干预。]]></description><category></category></item><item><title><![CDATA[手动实现交叉熵的计算]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168874968</link><guid>https://blog.csdn.net/m0_57307213/article/details/168874968</guid><author>m0_57307213</author><pubDate>Sat, 24 Oct 2026 06:40:08 +0800</pubDate><description><![CDATA[概率越小 → 负对数值越大 → 损失越大预测对（概率接近1）→ 损失小预测错（概率接近0）→ 损失大。]]></description><category></category></item><item><title><![CDATA[深度学习-基于 PyTorch 框架编写的简单机器学习模型训练与预测脚本]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168765844</link><guid>https://blog.csdn.net/m0_57307213/article/details/168765844</guid><author>m0_57307213</author><pubDate>Fri, 23 Oct 2026 01:22:04 +0800</pubDate><description><![CDATA[【代码】深度学习-基于 PyTorch 框架编写的简单机器学习模型训练与预测脚本。]]></description><category></category></item><item><title><![CDATA[手动实现 Softmax 函数]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168767790</link><guid>https://blog.csdn.net/m0_57307213/article/details/168767790</guid><author>m0_57307213</author><pubDate>Fri, 23 Oct 2026 01:20:53 +0800</pubDate><description><![CDATA[这段代码是一个。]]></description><category></category></item><item><title><![CDATA[PyTorch 线性层nn.Linear底层数学原理]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168770612</link><guid>https://blog.csdn.net/m0_57307213/article/details/168770612</guid><author>m0_57307213</author><pubDate>Fri, 23 Oct 2026 01:19:35 +0800</pubDate><description><![CDATA[揭示本质nn.Linear并不是什么魔法，它的底层就是yxWTbyxWTb的矩阵运算。权重互通：PyTorch 的模型参数可以无缝导出到 NumPy 进行自定义计算，反之亦然（只要维度对齐）。调试与理解：通过手动复现，开发者可以深入理解神经网络每一层的数据流向和变换过程，这对于调试模型或实现自定义算子非常有帮助。一句话概括：这段代码展示了如何用纯数学公式（NumPy）完美复刻 PyTorch 线性层的计算过程，证明了框架底层的数学原理。]]></description><category></category></item><item><title><![CDATA[神经网络基础原理-使用梯度下降训练二次函数模型简单示例]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168755237</link><guid>https://blog.csdn.net/m0_57307213/article/details/168755237</guid><author>m0_57307213</author><pubDate>Thu, 22 Oct 2026 14:34:07 +0800</pubDate><description><![CDATA[总结一句话：梯度下降的核心是最小化损失，所以必须对损失函数求梯度，而不是对模型本身求梯度。模型只是工具，损失才是目标。对损失函数求梯度 → 找到损失下降最快的方向 → 沿反方向更新权重 → 损失逐渐减小。但这只是模型输出对权重的变化率，并没有告诉我们如何让模型更接近真实值。梯度方向是损失函数增长最快的方向，梯度的反方向就是下降最快的方向。因为我们的目标是让损失函数最小化，而不是让模型输出本身最小化。损失函数衡量的是模型预测值与真实值之间的差距（这里是均方误差）L是LOSS损失函数的意思。]]></description><category></category></item><item><title><![CDATA[深度学习原理4.表示学习]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168720064</link><guid>https://blog.csdn.net/m0_57307213/article/details/168720064</guid><author>m0_57307213</author><pubDate>Thu, 22 Oct 2026 08:31:48 +0800</pubDate><description><![CDATA[分布式表示：所有维度加起来代表一个语义，如两个维度共同合起来代表一个语义。分布式的表示的表示能力更强。假设有n维的向量，我们只看非0的，有k个非0的取值的维度，每个维度我们二分，分为左右，每个维度可以表示两个语义，总共k个维度，那么就是2的k次方的语义。而如果用局部表示，k维只能表示k个语义。局部表示：每一维代表一个语义。]]></description><category></category></item><item><title><![CDATA[如何开发人工智能系统：从专家系统到机器学习]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168715757</link><guid>https://blog.csdn.net/m0_57307213/article/details/168715757</guid><author>m0_57307213</author><pubDate>Thu, 22 Oct 2026 07:11:55 +0800</pubDate><description><![CDATA[开发人工智能系统，核心在于判断任务的规则可描述性规则明确 → 用专家系统，直接编写规则规则未知但人类易执行 → 用监督学习，准备大量标注数据规则未知且执行困难 → 用强化学习，依赖结果反馈理解这三条路径的差异，你就能在面对实际问题时，选择最合适的 AI 开发方法。]]></description><category></category></item><item><title><![CDATA[33.开源项目学习]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168315932</link><guid>https://blog.csdn.net/m0_57307213/article/details/168315932</guid><author>m0_57307213</author><pubDate>Sun, 18 Oct 2026 09:00:19 +0800</pubDate><description><![CDATA[调试技巧：代码下载下来，对required为true,可以删除掉，给它设置一个默认值。default表示默认值。]]></description><category></category></item><item><title><![CDATA[32.完整的模型验证套路]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168144801</link><guid>https://blog.csdn.net/m0_57307213/article/details/168144801</guid><author>m0_57307213</author><pubDate>Sat, 17 Oct 2026 15:20:43 +0800</pubDate><description><![CDATA[这段代码完整表达了：告诉模型现在是测试状态（eval），为了省内存别算梯度（no_grad），把图片丢进去跑一遍（forward），然后看看哪个类别的得分最高（argmax），打印出这个类别的编号。]]></description><category></category></item><item><title><![CDATA[31.利用GPU训练（二）]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168099053</link><guid>https://blog.csdn.net/m0_57307213/article/details/168099053</guid><author>m0_57307213</author><pubDate>Fri, 16 Oct 2026 08:33:09 +0800</pubDate><description><![CDATA[【代码】31.利用GPU训练（二）]]></description><category></category></item><item><title><![CDATA[30.利用GPU训练（一）]]></title><link>https://blog.csdn.net/m0_57307213/article/details/168096020</link><guid>https://blog.csdn.net/m0_57307213/article/details/168096020</guid><author>m0_57307213</author><pubDate>Fri, 16 Oct 2026 08:23:20 +0800</pubDate><description><![CDATA[核心思路：需要将网络模型、损失函数和数据转移到GPU上进行计算对如下三项变量，我们调用.cuda()，然后再返回即可。关键步骤：模型转移：调用模型的.cuda()方法将网络模型转移到GPU损失函数转移：同样调用.cuda()方法将损失函数转移到GPU数据转移：在训练和测试过程中，将输入数据和标签数据分别调用.cuda()方法。]]></description><category></category></item><item><title><![CDATA[27-29.完整的模型训练套路]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167866526</link><guid>https://blog.csdn.net/m0_57307213/article/details/167866526</guid><author>m0_57307213</author><pubDate>Thu, 15 Oct 2026 23:37:25 +0800</pubDate><description><![CDATA[我们执行上述代码，可以在下图查看控制台输出的数据集长度的信息。]]></description><category></category></item><item><title><![CDATA[Claudecode报错402 insufficient balance(1008)]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167920838</link><guid>https://blog.csdn.net/m0_57307213/article/details/167920838</guid><author>m0_57307213</author><pubDate>Wed, 14 Oct 2026 21:37:21 +0800</pubDate><description><![CDATA[我们点击 获取api key,进入到minimaxi官网，进行充值，并且重新获取api key后填充到这个api key的输入框中。由于我们的claude是通过cc-switch接入minimax供应商的，那么我们点击编辑minimax供应商。我们退出Claude code后在终端输入claude重新进入，发现可以进行正常对话了。]]></description><category></category></item><item><title><![CDATA[cc-switch配置opanai使用报错401 Unauthorized处理]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167920536</link><guid>https://blog.csdn.net/m0_57307213/article/details/167920536</guid><author>m0_57307213</author><pubDate>Wed, 14 Oct 2026 21:24:15 +0800</pubDate><description><![CDATA[我们在cc-switch的openai下的deepseek供应商处点击编辑供应商，进入编辑供应商界面如下，点击重新获取api key ，去往deepseek官网填写上新的api key .我们下载好cc-switch和openai(也就是chatgpt) ,编辑openai的供应商是deepseek,但是可能时间太久apikey失效了。然后我们再打开chatgpt，就会发现不再报错，可以进行正常对话了。]]></description><category></category></item><item><title><![CDATA[26.网络模型的保存与读取]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167813111</link><guid>https://blog.csdn.net/m0_57307213/article/details/167813111</guid><author>m0_57307213</author><pubDate>Tue, 13 Oct 2026 22:49:59 +0800</pubDate><description><![CDATA[问题现象: 使用方式一保存自定义模型后，加载时报错"Can’t get attribute"原因分析: Python的pickle机制需要能访问到原始类定义。state_dict: 将模型参数保存为Python字典格式。加载时需要先重建模型结构再加载参数。将模型类定义放在单独模块中导入。在加载文件中重新定义模型类。]]></description><category></category></item><item><title><![CDATA[25.现有网络模型的使用及修改]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167644335</link><guid>https://blog.csdn.net/m0_57307213/article/details/167644335</guid><author>m0_57307213</author><pubDate>Mon, 12 Oct 2026 23:59:57 +0800</pubDate><description><![CDATA[我们打印vgg16_true,会发现分类vgg16模型其实也是分类模型，分出的类别有1000个(最后一行out_features是1000）pretrained-False模式：仅加载网络架构参数为默认初始化值不需要下载额外数据pretrained-True模式：加载ImageNet预训练参数需要从网络下载约528MB参数文件参数已在ImageNet数据集上优化过。]]></description><category></category></item><item><title><![CDATA[24.优化器（一）]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167587793</link><guid>https://blog.csdn.net/m0_57307213/article/details/167587793</guid><author>m0_57307213</author><pubDate>Mon, 12 Oct 2026 06:35:42 +0800</pubDate><description><![CDATA[位置：所有优化器都集中在torch.optim模块中分类：文档中将特性分为Stable、Beta、Prototype三类，优化器属于稳定特性。]]></description><category></category></item><item><title><![CDATA[23.损失函数与反向传播]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167225755</link><guid>https://blog.csdn.net/m0_57307213/article/details/167225755</guid><author>m0_57307213</author><pubDate>Sun, 11 Oct 2026 14:48:35 +0800</pubDate><description><![CDATA[核心功能：量化模型输出与期望结果的差异程度数学表达：通过差值运算实现，如考试例中的逐项相减绝对值特性：强调计算时需取绝对值避免正负抵消。]]></description><category></category></item><item><title><![CDATA[22.神经网络-搭建小实战和Sequential的使用]]></title><link>https://blog.csdn.net/m0_57307213/article/details/167215388</link><guid>https://blog.csdn.net/m0_57307213/article/details/167215388</guid><author>m0_57307213</author><pubDate>Wed, 07 Oct 2026 18:05:47 +0800</pubDate><description><![CDATA[如果模型能成功运行并输出结果，说明网络的维度匹配没有错误（例如卷积层、池化层后的尺寸计算正确）。执行代码，控制台输出的内容如下，确实可以通过print(model)也就是print(tudui)查看各层的详细参数配置。注意图中展平层少画了，我们补充下将特征图展平成1024维向量的展平层如下（见紫色部分）打开可视化界面如下，我们可以点击 各个节点，看到网络层的各种细节。展平后是经过了两次线性层，才达到最后输出的特征图。展平层代码为如下，即调用flatten()即可。]]></description><category></category></item></channel></rss>